Sep, 2023

大规模弱监督学习用于卫星图像中的道路提取

PDF
TL;DR使用深度学习从卫星图像中自动提取道路是传统手动制图的可行替代方案，本文提出了利用 OpenStreetMap 道路数据作为弱标签和大规模卫星图像进行预训练语义分割模型的方法，并且利用大规模预训练使模型具有更好的泛化能力。
road extractionsatellite imagerydeep learningweakly labeled datasemantic segmentation models
发现论文，激发创造
  • 利用众包 GPS 数据从航空图像中提取道路

    该研究提出了利用众包 GPS 数据来改进和支持通过航拍图像提取道路的方法，并通过新颖的数据增强、GPS 呈现和一维转置卷积技术，比以前的竞争获胜模型提高了近 5%，并且在预测新的区域时具有更好的稳健性，无需任何新的训练数据或领域适应。

    May, 2019

  • 从在线地图学习航空图像分割

    本文研究了使用卫星图像语义分割实现自动生成地图的问题。通过使用不同的训练数据集进行对比分析，文章指出采用大规模公开标注来取代部分手动标注可以显著降低成本且不影响语义分割效果

    Jul, 2017

  • 卫星图像弱监督语义分割用于土地覆盖制图 -- 挑战和机遇

    本文介绍了一种基于弱监督学习策略的方法，以处理远程感知特定形式的弱监督数据，并取得高分辨率大规模土地覆盖映射的进展，基于 SEN12MS 数据集进行了讨论和展示了一些基线结果。

    Feb, 2020

  • 利用地球观测和 OpenStreetMap 数据进行联合学习，以获取更快、更好的语义地图

    本文探讨在地球观测图像语义标注中使用 OpenStreetMap 数据的潜力。作者在 ISPRS Potsdam 和 DFC2017 两个公共数据集上使用不同的架构并进行了实验，结果发现使用 OpenStreetMap 数据能够显著提高模型的精度和收敛速度，尤其是使用融合的架构和分层的细分。

    May, 2017

  • 卫星图像自动道路提取的全卷积网络

    本文提出了一种基于全卷积神经网络的自动道路提取方法，利用高分辨率的卫星图像进行交通管理和道路监控，此方法能够自动且精确地提取真正的道路信息，并在 DEEPGLOBE-CVPR 2018 道路提取子挑战中表现出卓越的效果。

    Jun, 2018

  • 远程监督的道路分割

    该研究提出一种基于远程监督的道路分割方法，只需要图像级标注，可以自动生成弱像素级道路掩模，使用全卷积神经网络，达到了全监督方法 93.8% 的性能，并显著减少了标注工作量。

    Aug, 2017

  • 使用多模态数据的人工智能驱动的道路网络预测

    本研究提出了一种创新的深度学习自动道路检测方法，通过融合低分辨率卫星图像和 GPS 轨迹数据的策略，对早期和后期融合进行深入研究，并使用不同的融合设置评估基于深度学习的道路检测性能。研究结果显示，ResUnet 模型在道路提取任务中优于 U-Net 和 D-Linknet，以及使用低分辨率 Sentinel-2 数据的基准研究，从而为自动道路检测领域作出贡献，并为各种应用中的数据融合方法提供了新的见解。

    Dec, 2023

  • Brightearth roads: 从卫星影像实现全自动道路网络提取

    通过使用高分辨率卫星影像，我们提出了一种完全自动化的流程来从图像中提取道路网络，结果表明与 OpenStreetMap 数据相比，该方法能够提供最新的道路设计和精确的道路位置。

    Jun, 2024

  • 通过连接性和分割的联合学习进行道路网络的细粒度提取

    本研究提出了一个堆叠多任务网络，在保持连通性正确性的同时，端到端地分割道路。在网络中，引入了全局感知模块来增强像素级道路特征表示并消除空中图像的干扰背景；增加了与道路方向相关的连通性任务，以确保网络保持道路片段的图级关系。我们还开发了一种堆叠多头结构，以共同学习和有效利用连通性学习和分割学习之间的相互信息。我们在三个公共遥感数据集上评估了所提出网络的性能。实验结果表明，该网络在道路分割准确性和连通性维护方面优于现有方法。

    Dec, 2023

  • 地图学习：自动驾驶的视觉常识

    本文提出了一种基于车载摄像头图像的道路布局推断模型，同时构建了一个路况数据集，可以将导航地图的元数据与 Google 街景图像匹配以提供标签，并利用深度卷积网络训练该模型，结果表明该方法可用于提升基础设施安全性。

    Nov, 2016